内在荧光蛋白的聚集：将粗粒度分子动力学与AlphaFold预测相结合

《ACS Omega》：Aggregation of Intrinsically Fluorescent Proteins: Combining Coarse-Grained Molecular Dynamics with Alphafold Predictions

蛋白质聚集模拟与AlphaFold3对比研究。比较了CALVADOS、COCOMO、Trovato三种粗粒度力场与AlphaFold3在预测荧光蛋白变体（wtGFP、FP583、sfGFP、scGFP）聚集行为中的性能。通过分子动力学模拟发现，Trovato对接口预测最准确，COCOMO粘度模拟最接近实验值，CALVADOS聚集倾向最低。分析显示，不同力场影响蛋白质相图位置，AlphaFold3与Trovato预测趋势一致，但界面细节存在差异。提出了整合AlphaFold结构预测与粗粒度力场模拟的方法，为多相系统建模提供新思路。

　　蛋白质的聚集是一个普遍存在的现象，不仅影响无序蛋白，还会影响结构明确的折叠蛋白。这种现象在生物过程中起着重要作用，同时也是许多退行性疾病的重要诱因。此外，它在分子传感器的设计中也具有应用价值，例如结合纳米颗粒与信号生物分子的内在荧光蛋白（IFPs）。本文通过比较粗粒度分子动力学（CG-MD）模拟与AlphaFold3（AF3）算法在预测四种不同IFP变体聚集行为中的表现，探讨了不同力场（FF）在模拟中对聚集过程的描述能力，以及如何将AlphaFold与MD模拟进行整合，以更好地研究蛋白质聚集现象。

蛋白质的聚集行为通常由疏水作用和静电相互作用之间的平衡所驱动。在某些情况下，如带有电荷或强极性基团的蛋白质，静电相互作用会显著影响聚集行为。因此，理解这种相互作用对于预测蛋白质在不同浓度和离子强度条件下的聚集行为至关重要。实验上，蛋白质聚集的表征往往复杂，因此常依赖于计算机建模来辅助研究。然而，由于原子级的MD模拟在处理聚集界面时具有较高的准确性，但在探索相图时需要更简化的模型，即粗粒度模型。本文的研究旨在通过使用粗粒度模型，评估不同力场对IFP变体聚集行为的预测能力，并探讨AlphaFold在这一过程中的表现。

本文研究的IFP变体包括野生型绿色荧光蛋白（wtGFP）、红色变体FP583、超级折叠蛋白sfGFP以及超级带电变体scGFP。这些变体在溶液中表现出不同的聚集倾向，其中scGFP由于其较高的总电荷，表现出更强的抗聚集能力。而sfGFP虽然具有更稳定的折叠结构，但在一定浓度下仍会形成寡聚体。wtGFP则在溶液中形成二聚体，而FP583形成四聚体。这些变体的结构特征与它们的聚集行为之间存在显著的关联。

在模拟方法上，本文采用了一种最小化模型，将蛋白质表示为一个由Cα原子组成的无分支链，通过刚性杆连接。这种模型在计算上较为高效，但仍能保留蛋白质的柔韧性，从而触发聚集行为。模拟中，蛋白质之间的相互作用被分解为疏水作用和屏蔽静电相互作用，分别采用Morse势和Debye-Hückel（DH）势来描述。不同力场对这些相互作用的参数化方式有所不同，从而影响了它们对聚集行为的预测能力。

为了评估不同力场对聚集行为的预测能力，本文引入了一个参数h，用于衡量不同相互作用之间的吸引力。h的值在不同力场之间存在差异，例如Trovato的h值最高，表明其对聚集行为的预测能力最强，而CALVADOS的h值最低，意味着其对聚集的预测能力较弱。这种差异在模拟中得到了体现，表现为不同的扩散系数和粘度。Trovato模拟的蛋白质在高浓度下表现出更快的聚集趋势，而CALVADOS则更倾向于保持蛋白质的单体状态或弱相互作用状态。

本文还通过计算蛋白质之间的接触概率矩阵来分析聚集行为。接触概率矩阵用于衡量不同蛋白质残基之间形成接触的频率，是识别蛋白质-蛋白质界面的重要工具。通过比较不同力场和AlphaFold的预测结果，发现Trovato在预测IFP变体的主界面和次界面方面表现出更高的准确性，而CALVADOS则在某些情况下表现更优，尤其是对wtGFP的次界面预测。这种差异可能与不同力场的参数化方式有关，例如Trovato的参数化基于具有类似折叠结构的蛋白质数据集，而CALVADOS和COCOMO则基于无序蛋白的数据集，这可能影响了它们对聚集行为的预测能力。

此外，本文还分析了不同离子强度对聚集行为的影响。结果表明，随着离子强度的增加，蛋白质的聚集行为被显著增强，尤其是在带电的变体中。这一现象与静电相互作用的屏蔽效应密切相关，即高离子强度会减弱蛋白质之间的静电吸引力，从而影响聚集行为。然而，COCOMO由于其对静电相互作用的更强依赖性，在高离子强度下表现出更显著的聚集倾向。

在模拟过程中，蛋白质的聚集行为不仅受到相互作用力的影响，还受到环境因素的调节。通过计算扩散系数和粘度，可以间接反映聚集行为的强度。例如，Trovato模拟的蛋白质在高浓度下表现出更低的扩散系数和更高的粘度，表明其聚集倾向更强。而CALVADOS模拟的蛋白质则在高浓度下表现出更弱的聚集行为，这与其对疏水相互作用的弱化有关。

本文还探讨了AlphaFold3在预测蛋白质聚集行为方面的表现。AlphaFold3不仅能够准确预测单链蛋白质的结构，还具备预测蛋白质复合物结构的能力。然而，其在预测蛋白质-蛋白质界面方面的表现仍需进一步验证。通过比较AlphaFold3预测的接触概率矩阵与模拟得到的接触概率矩阵，发现Trovato在预测主界面和次界面方面与AlphaFold3的预测结果最为接近，这表明Trovato在模拟中对聚集行为的描述更接近实验观察。

本文的研究结果对设计新的力场参数和整合AlphaFold与MD模拟具有重要意义。通过比较不同力场对聚集行为的预测能力，可以更好地理解疏水和静电相互作用在聚集过程中的相对贡献。此外，本文提出了一种可能的方案，将AlphaFold与MD模拟相结合，以提高对蛋白质聚集行为的预测精度和解释能力。这种结合不仅能够优化力场参数，还能够增强AlphaFold算法在预测蛋白质-蛋白质界面方面的可靠性。

总体而言，本文通过系统地比较不同力场和AlphaFold3在预测IFP变体聚集行为中的表现，揭示了蛋白质聚集行为的复杂性及其对不同相互作用力的依赖性。研究结果表明，Trovato在预测聚集行为方面表现最佳，而CALVADOS则在某些情况下表现出更高的准确性。这些发现为未来设计更精确的蛋白质聚集模拟方法提供了重要的参考，并为结合AI算法与传统MD模拟开辟了新的方向。